中国建筑业碳生产率的俱乐部收敛及成因

来源:用户上传      作者:

　　摘要 绿色发展和生态文明作为未来的发展战略已被写入中华人民共和国宪法。低碳经济是支撑和实现绿色发展和生态文明的经济形态，其实质是在完成C02减排目标的同时实现经济增长。碳生产率是连接C02减排与经济增长两个目标的桥梁，提高碳生产率是发展低碳经济的核心和关键。建筑业的能耗和C02排放分别占中国各产业总和的1/4和1/3.是绿色发展和生态文明建设需要重点关注的行业。本文提出三阶段方法框架，研究动态建筑业全要素碳生产率（DCP）的收敛俱乐部及初始成因：首先，基于数据包络分析求解的方向距离函数和Malmquist指数方法，测算2005 -2016年中国30个省、自治区和直辖市的DCP;然后，用基于非线性时变因子模型的俱乐部检验方法，识别中国省际DCP的收敛俱乐部;最后，用ordered logit回归模型对可能影响“收敛俱乐部”形成的初始因素进行探寻。结果显示：①中国DCP的均值呈上升趋势、标准差呈扩大趋势，尤其是2010年以后的标准差急剧扩大;②中国省级DCP存在5个收敛俱乐部，但有13个省不收敛于任何俱乐部;③样本观测期初“建筑业市场化程度”越高的省份，归属于“DCP高的俱乐部”的概率越大。据此，提出如下提升DCP的管理启示：①促进低碳建造技术有效扩散，缩小各省份之间的DCP水平差距;②制定和实施建筑业低碳发展的相关政策举措时，不能简单地按地理区划，而需要考虑各省的异质性;③继续推进国有建筑业企业的市场化改革，进一步提高建筑业市场化水平，促进建筑业专业承包企业的发展，适当降低建筑业的产业集中度。该方法框架也可用于研究其他国家、地区或其他行业。
　　关键词 建筑业;全要素碳生产率;俱乐部收敛;非线性时变因子模型，ordered logit模型
　　中图分类号 F407.9
　　文献标识码A
　　文章编号1002 - 2104（2019） 01 - 0040 -10
　　D01：10.12062/cpre.20180724
　　人类活动产生的过量CO2排放，导致全球气候逐渐变暖，威胁着人类的生存和发展。为了将全球温升控制在人类能承受的范围内，地球周围大气层能容纳C02的空间（“容碳空间”）非常有限，“容碳空间”已经成为比资本和劳动还要稀缺的资源，被占用的“容碳空间”在数量上等于排放的C02总量。减少C02排放已经成为国际社会共同面临的紧迫任务。为了分担全球的CO2减排压力，中国政府做出了2020年单位国内生产总值（GDP）的C02排放量在2005年基础上减少40%～45%的承诺，并在国民经济和社会发展规划中确定减排目标分步履行。绿色发展和生态文明也已经被写入宪法作为中国未来的发展战略。低碳经济是支撑和实现绿色发展和生态文明的经济形态，其实质是在完成CO2减排目标的同时实现经济增长。Kaya和Yokobori最先定义的“单位CO2排放的GDP产出”这一“碳生产率”概念，是连接C02减排与经济增长两个目标的桥梁，但这一单要素碳生产率概念没有考虑到资本、劳动、能源等其他投入要素的替代性和综合效应，用“全要素碳生产率”概念更全面准确。“全要素碳生产率”可定义为全部主要产出与包含“容碳空间”在内的全部主要投入的比值。发展低碳经济的核心和关键是提高碳生产率。建筑业作为中国国民经济和社会发展的支柱产业，在促进经济发展和改善国民生活条件的同时，也消耗了大量能源并排放了大量CO2。比如2013年，建筑业消耗了110 710.6万t标准煤，占当年中国能源消耗总量的26.6%;2011年，建筑业排放的CO，达到303 590万t.占到当年中国各产业排放总量的33.6%。建筑业必须分担国家部署的C02减排目标，为中国的绿色发展和生态文明建设做出行业贡献。在此背景下，本文提出一个三阶段的方法框架，研究动态建筑业全要素碳生产率（DCP）的收敛俱乐部及成因：首先，测算2005-2016年间，中国30个省、自治区和直辖市（后文统称省）各年的DCP，区别于已有文献测算Malmquist指数不能表达样本期初的生产率差异，这里的DCP能反映期初差异，并能体现各省各年在初始水平上的效率变化和技术变化的累积结果。然后，探索是否存在某些省的DCP收敛于一个稳态水平，即是否存在俱乐部收敛;本文首次将基于非线性时变因子模型的内生俱乐部识别方法用于对中国建筑业的研究。最后，用ordered logit回归模型，对可能影响“收敛俱乐部”形成的初始因素进行探索。该方法框架的分析结果对决策者深入理解中国建筑业低碳发展水平的空间分布特征和时间变化趋势，指导决策者有针对性地制定提升中国DCP的政策举措，从而实现建筑业绿色发展具有重要意义。
　　1 文献综述
　　1.1 碳生产率研究综述
　　碳生产率的概念由Kaya和Yokobori提出后，被新气候经济学作为核心概念研究。但该概念只考虑“容碳空间”一个投入要素，具有局限性，用全要素碳生产率的含义更全面准确。提高碳生产率是在可持续发展框架下应对气候变化的关键对策，也是低碳经济的核心内涵。已有的全要素碳生产率文献可以大致分成两类：①采用方向距离函数和Malmquist指数测算国家或地区的全要素碳生产率指数，比如李小平、王洋研究了1992-2014年“一带一路”沿线55个国家;袁润松等研究了2000-2012年的中国大陆30个省;刘传江、赵晓梦研究了2000-2013年长江经济带的11个省市。②采用方向距离函数和Malmquist指数研究一个具体行业的全要素碳生产率指数，比如Li等研究了2003-2015年中国工业的36个细分行业;杨翔等研究了1998-2011年中国制造业的26个细分行业，并按相对干净类、相对污染类、高技术类和中低技术类分别进行分析;滕泽伟等研究了2004-2013年中国服务业的14个细分行业;Yu等研究了中国交通行业。
　　但从现有文献的检索结果看，还没有专门针对中国建筑业全要素碳生产率（CI-TFCP）的研究。另外，现有研究主要都是测算Malmquist指数，但Malmquist指数只能显示某个决策单元（DMU）第t期相对于第（t-l）期静态全要素碳生产率的比率，所有DMU的起始时期Malmquist指数全部等于1，不能区分各DMU的初始碳生产率差异。为了进一步识别收敛俱乐部，本文對这些不足加以改进，提出能体现各省初始差异的DCP测算方法。 　　1.2 俱乐部收敛研究综述
　　收敛研究是区域经济学和发展经济学的主要研究内容，其最先关注初始经济发展水平不同的国家或地区，经济水平是否会随着时间的推移趋于一致，并构建了σ收敛和β收敛两个经典的收敛概念。如果随着时间的推移，不同国家或地区的人均GDP的标准差逐步缩小，被定义为存在σ收敛;如果随着时间的推移，期初人均GDP水平高的国家或地区的人均GDP增长率低于期初人均GDP水平低的国家或地区，则认为存在β收敛。如果所考察的全部国家或地区不收敛，但其中的某些国家或地区收敛，则收敛的这几个国家或地区被称为一个收敛俱乐部，即存在俱乐部收敛。近年，收敛研究逐渐从人均GDP扩展到能源、碳排放、效率和生产率等研究领域。现有文献中，俱乐部收敛的研究主要包括两类：①采用两个经典的收敛检验方法的研究。这类研究通常根据某一划分原则先对国家、地区或细分产业等研究对象划分成几个类别，然后采用两个经典的收敛检验方法检验其是否收敛，如果收敛则认为每个类别就是一个收敛俱乐部。例如蔡海亚等研究了中国的东、中、西三个地区各省雾霾污染强度;张珩等探究了“一级法人农信社、农合行和农商行”三种不同产权组织形式的陕西省农信社效率;景守武、张捷研究了中国东、中、西部地区各省的能源环境效率;李健、盘宇章研究了中国东、中、西部地区261个地级及以上城市的全要素生产率增长。②采用基于非线性时变因子模型的内生俱乐部检验方法的研究。比如贺祥民、赖永剑分析了1999-2012年中国30个省的环境效率;赖永剑、贺祥民研究了2006-2013年中国30个省的综合金融包容指数;胡宗义等研究了1985-2012年中国29个省的农村金融发展水平;Parker和Liddle分析了1980-2009年61个经济合作与发展组织国家的制造业能源生产率;Apergis和Payne分析了1980-2013年美国50个州的人均碳排放;Bartkowska和Riedl分析了1990-2002年欧洲206个统计区域的人均收入。其中贺祥民、赖永剑进一步用ordered probit模型，Bartkowska和Riedl用ordered logit模型对俱乐部形成的原因进行了分析。
　　由于经典的收敛模型假定研究对象具有同质性，可能将“短暂发散、长期收敛”错误地视为不存在收敛。而非线性时变因子模型考虑了研究对象的异质性，并允许这种异质性随时间发生变化，拥有各自随时间变化的路径。同时，非线性时变因子模型既可以处理平稳数据，也可以处理非平稳的数据;既可以对已有分组进行检验，也可以完全根据数据本身对收敛俱乐部进行内生性识别。所以本文选择基于非线性时变因子模型的方法对中国DCP的收敛俱乐部进行识别和分析。另外，借鉴已有文献的方法，本文用ordered logit回归模型探寻形成俱乐部的期初因素。
　　2 动态全要素碳生产率测算
　　2.1 测算方法
　　基于数据包络分析（DEA）求解的方向距离函数原理，本节主要阐释静态CI-TFCP（SCP）、CI-TFCP指数（CPI）和DCP三个指标的含义和计算公式。
　　由于“容碳空间”已经成为比资本和劳动还要稀缺的资源，为了能与传统经济学原理中全要素生产率评价时处理稀缺资源的方法一致，本文把“容碳空间”作为建筑业生产的投入要素，以中国大陆各省的建筑业生产系统作为分析对象（即DMU）。建筑业的一个重要特征是生产的流动性，人员、材料、施工机械等投入资源都随施工对象而流动，主要资源消耗和C02排放都发生在施工现场。所以选择评价建筑业全要素碳生产率时应该把施工现场排放CO，最多的资源纳入投入指标。由于建筑业消耗的钢材、水泥、铝材这三种建筑材料的生产是最主要的C02排放源，人工、材料、机械是建筑业生产中最重要的资源投入，建筑业增加值能准确表示建筑业生产经营活动的最终成果。所以本文选取各省的建筑业从业人员（xl），建筑业消耗的钢材（X2）、水泥（X3）、铝材（X4）、能源（x5），建筑业拥有的机械功率数（X6）和“容碳空间”（X7）作为投入指标，以建筑业增加值（Y）作为产出指标，类似的指标体系也被Zhang等用于建筑业碳效率的测算。为了解决多投入指标计算的困难，用DEA方法求解方向距离函数计算“相对建筑业全要素碳生产效率”，其数值含义是在给定技术条件下，某个DMU的CI-TFCP与最高的CI-TFCP的比率。本文在此之后的CI-TFCP就指的“相对建筑业全要素碳生产效率”。根据是否考虑跨时间周期生产技术的变化，再分成SCP和DCP。
　　中国大陆30个省（西藏因能源数据缺失没有纳入）第t年的生产技术Tt包含了30个省的建筑业生产系统中所有投入产出组合集合，见式（1）所示。
　　式（1）中，xt∈R7+表示各省建筑业第t年的7个投入，yt∈R'+表示各省第t年的建筑业增加值产出。第t年的生产技术条件下，第jo省的产出方向距离函数被定义成式（2）。
　　式（2）本质上定义了在第t年的生产技术条件下，第jo省的产出yjn可以扩大的最大比率。θ≤1，是Farrell意义上的效率评价值，因为其只考虑第t年的30个省构成的最佳实践前沿面，不考虑跨年度的不同生产技术条件，本文将其定义为SCPjn。当θ=1时，表示第jo省在最佳实践前沿面上，在现有技术条件下产出不可能再被扩大。
　　类似地，可以定义在第t+l年的生产技术条件下，第jo省建筑业生产系统的第t年的投入产出数据的产出方向距离函数如式（3）所示。
　　如果Tt与Tt+l有显著差异，参考Caves、Christensen和Diewert的处理方式，第jo省第（t+1）年相对于第t年的CPIot+1，即Malmquist指数用式（4）计算。
　　假设样本的起始年是第t0年，能表现起始年效率差异的第jo省第k年的DCPjk用公式（5）计算。该指标在第to。年SCP基础上，同時考虑了第to年到第k年的效率变化和技术进步的累积结果。 　　为了计算DCPjk，需要用模型（6）求解方向距离函数。模型（6）中要求解的变量”。和“，分别是各省建筑业的投入指标xi（i=1，2，…7）和产出指标yr（r=1）的权重，目标函数值的倒数作为要求解的方向距离函数的结果。
　　2.2 指标数据来源
　　2005-2016年中国各省的DCP测算所需8个指标数据来源如下：建筑业从业人员（x1）来自《中国统计年鉴》（2006-2017年）。钢材（X2）、水泥（X3）、铝材（X4）和机械功率数（X6）来自《中国建筑业统计年鉴》（2006-2017年）。能源（x5）来自《中国能源统计年鉴》（2006-2017年）。“容碳空间”（x7）在数量上等于建筑业的CO2排放量，其范围包括原煤、洗精煤、其他洗煤、型煤、煤矸石、焦炭、焦炉煤气、其他煤气、其他焦化产品、汽油、煤油、柴油、燃料油、溶劑油、石油焦、液化石油气、其他石油制品、天然气、液化天然气和电力20种能源和钢材、水泥、铝材、玻璃和木材5种主要材料消耗对应的排放量，参考政府间气候变化专门委员会（IPCC）的系数法计算，其中非电力能源的碳排放系数根据《中国能源统计年鉴》《公共机构能源消耗统计制度》和《2006年IPCC国家温室气体清单指南目录》中的平均低位发热量及其对应的缺省碳排放因子计算;电的碳排放系数根据《中国区域电网基准线排放因子》确定;建筑材料的碳排放系数根据已有研究文献确定如下：水泥0.580/t·t-1、钢材1.959/t·t-1、玻璃34.959/kg.重量箱一1、铝材16. 500/t.t-1、木材10.877/kg·m3。建筑业增加值（Y）以各省第二产业GDP指数平减到2005年不变价格，数据均来自《中国统计年鉴》（2006-2017年）。香港、澳门、台湾和西藏因数据缺失，未包含在研究范围内。
　　2.3 测算结果
　　依次用公式（6）、（4）、（5）对2.2节的指标数据进行测算，得到2005-2016年中国30个省各年的DCP如表1所示。
　　30个省的DCP均值从2005年的0.879上升到2016年的1.388，总体呈现升高的趋势。标准差从2005年的0.156增加到2016年的0.518，各省的DCP的差距总体呈现扩大的趋势，尤其是2010年之后扩大的幅度显著增大。内蒙古的DCP自2011年之后一直处于最高水平，而云南省在2013年及以后一直处于最低水平。
　　3 收敛俱乐部识别
　　3.1 基于非线性时变因子模型的俱乐部收敛检验方法
　　首先阐释基于非线性时变因子模型的logt检验方法，然后给出根据logt检验方法识别收敛俱乐部的步骤。收敛俱乐部的识别步骤是在Phillips和Sul的基础上进行总结简化而得到的。
　　3.1.1 logt检验
　　按照2.1节方法计算出的第i省第t年的DCP用变量DCPit表示。DCPit可以分解为：
　　DCPit=git+dit
　　（7）
　　式（7）中，下标i=1，2，…N表示样本截面上的不同省份，t=l，2，…T表示样本时间跨度。git表示随着时间的推移，不同省份的DCP水平仍维持相对稳定的部分，dit表示各省的DCP水平随时间推移而呈现临时变动的部分。式（7）可以等价变形为式（8）所示的乘积形式，更容易描述DCP水平的共同和个体时变部分。
　　式（8）被称为非线性时变因子模型。其中，wt是全部省份的共同时变因子，bit是第i省的个体时变因子，如果bit收敛于常数6，说明各省的DCP收敛，即随时间推移，各省的DCP水平趋近于同一稳态水平。为了检验bit的收敛性，Phillips和Sul定义了相对时变参数hit如式（9）所示。
　　hit是第i省第t年的DCP与中国30个省的DCP的平均值的比值。hit反映了随时间变化，第i省的DCP水平与平均DCP水平的偏离程度及变化趋势。当hit收敛于1，则各省的DCP水平存在长期收敛性，即当t一∞，且hit一l时，hit的第t年截面方差Vi如式（10）。
　　为了构建中国各省DCP收敛的原假设，首先构建公式（11）所示的表达时变因子bit的半参数模型。
　　其中，bit表示不随时间变化而只与第i省的特质有关的常数项;σi为大于0的异质性规模参数;ζit-i.d.（0，1）且与t具有微弱相关性;L（i）是满足随着时间推移缓慢变大的时变函数（比如log（t +1》，且满足当t—∞时，L（t）一∞;a表示收敛性及收敛速度的参数，a≥0表示存在收敛性，且a越大，表示收敛越快。基于以上定义，收敛性检验被转化为以下原假设（Ho）和备择假设（H1）的假设检验：
　　Ho：bi=b并且a≥0;
　　H1：对Vi，bi≠b或a<0;
　　原假设意味着全部省份的DCP收敛于同一个稳态水平。备择假设意味着至少有一个省的DCP与其他省不趋于一致，此时可能全部省份的DCP相互都不趋于一致，也可能有其中的某几个省份趋于一致。将公式（9）和公式（11）代入公式（10），可得hit的第t年截面方差Vt的等价形式如下：
　　其中，A是常量。基于该等价形式，构建如下验证假设检验的回归方程模型：
　　其中，L（t）=log（t+1）;t=[γT]、[γT]+l、…、T;γ是决定起始时间t的参数，根据Phillips和Sul的蒙特卡洛模拟实验结果，本文取0.3;6是logt的回归拟合系数，b=2a，a是原假设中a的估计值。根据b和给定显著性水平下的单侧t检验对原假设进行检验，如果b≥0，并且在5%显著性水平下，ti≥-1.65，则不能拒绝原假设，否则拒绝原假设。Phillips和Sul把该检验方法称为logt检验。
　　3.1.2 基于logt检验的收敛俱乐部识别步骤 　　当全部省份收敛的原假设被拒绝，可以进一步根椐logt检验的原理识别是否存在收敛俱乐部，该识别方法完全根据各省的DCP数据，而不依据诸如地理区划等任何外部标准，是一种内生的收敛俱乐部识别方法。具体识别步骤如下：
　　第1步：截面个体排序。按各省最后1年的DCP或各年DCP的均值从高到低排序。本文选择按最后1年的DCP排序。
　　第2步：确定初始核心组。选择第1步结果中的前2个省，做logt检验，如果拒绝原假设，剔除第1个省，将第2和第3个省组成新的组，再进行logt检验。依此循环，直到找到两个不能拒绝原假设的省，这两个省就是初始核心组，跳转到第3步。如果遍历了所有的两个省都找不到初始核心组，说明没有收敛的俱乐部，所有省份相互都不趋于一致。
　　第3步：识别新的核心组成员。按照第1步排列的位次，将未与初始核心组成员一起检验过的省份逐一加入初始核心组，做logt检验，依此循环，遍历所有省份后，识别出核心组的全部成员，得到1个收敛俱乐部。
　　第4步：对不属于第3步的收敛俱乐部的所有省份，做logt检验，如果不能拒绝原假设，则这些省份是1个收敛俱乐部。如果拒绝原假设，则重复第1～3步。依此循环，直至识别出全部存在的收敛俱乐部。
　　3.2 收敛俱乐部识别结果
　　根据3.1节的方法和步骤，对表1所示的全部省份DCP进行收敛检验和收敛俱乐部识别。首先应用logt检验对30个省的数据进行收敛性检验，结果如下：
　　估计参数对应的括号中的数值表示统计检验量tζ。由于估计量b= -1.608<0，拒绝原假设，说明至少有一个省的DCP与其他省不趋于一致。继续按3.1.2节的步骤识别是否存在收敛的俱乐部，检验结果显示，宁夏、内蒙古、辽宁、北京、广西、广东、天津、四川、海南、江西、贵州、河南、云南13个省不收敛于任何俱乐部，其他17个省分别收敛于表2所示的5个俱乐部。
　　从表2可以看出，属于同一收敛俱乐部的成员省份与传统的东、中、西部三大经济地带的划分情况不同，也与东北、北部沿海、东部沿海、南部沿海、黄河中游、长江中游、西南、大西北八大区域的划分相异，是完全根据各省各年的DCP数据内生性确定的。为了进一步了解各省的DCP相对于全国均值的变化情况，并通过图形展示各省的相对时变参数hit验证已经识别出的收敛俱乐部成员的相对时变参数是否趋于各自的稳态水平，结果见图1所示。
　　从图1可以看出，五个收敛俱乐部的成员省份的相对时变参数均趋于各自的稳态水平。其中，A、B、C三个俱乐部2010年前的波动均较大，之后年份逐渐趋于平稳。D俱乐部的江苏和新疆2011年都在2010年基础上有较大的下降，之后持续升高。E俱乐部的上海和重庆在全国平均水平之上持续提升。而非俱乐部成员省份的相对时变参数呈散乱的发散状态，2010年后离散趋势急剧扩大，2015年达到最大;云南、河南和贵州三个省的DCP相对于各省平均水平明显大幅降低。图1再次验证了基于非线性时变因子的俱乐部检验方法对中国的DCP俱乐部识别结果是有效的。
　　4 俱乐部收敛的成因
　　4.1 影响因素与数据来源
　　为了识别和分析导致收敛俱乐部的初始原因，对已有关于建筑业全要素生产率、建筑业能源效率、建筑业能源环境效率、建筑业碳排放与产值的脱钩效应影响因素等文献进行梳理，得表3所示的影响因素、指标含义和数据来源。
　　4.2 0rdered logit回归模型
　　为了定量分析表3所示的影响因素在样本观测期初的值对收敛俱乐部形成的影响，本文进一步用回归的方法进行深入研究。因为从俱乐部A到俱乐部E对应的DCP的均值呈现由低到高的顺序，根据各个收敛俱乐部的平均DCP水平从低到高，5个收敛俱乐部可以用数值1～5分别表示，即1表示俱乐部A、……、5表示俱乐部E，是一个有顺序含义的变量（CLUB）。参考Bartkowska和Riedl，本文采用ordered logit回归模型，对表3中的可能影响因素的初始状态对收敛俱乐部的影响方向和影响程度进行量化分析，模型见式（14）。
　　CLUBi =1βMOCli +β2ICCIi+β3 0TOWi+β4 TOCli+εi
　　（14）
　　其中，CLUBi是一个潜变量，当CLUBi≤r1时，CLUB取l;当r1< CLUBi≤r2时，CLUB取2;当r2 r4时，CLUB取5;r1、r2、r3、r4满足r1< r2< r3< r4，是待估算的参数。β1、β2、β3、β4是回归系数。εi是模型的扰动项，假定其服从均值为0，方差为π2/3的逻辑分布。i=1，…，17，表示5个收敛俱乐部的成員省份。
　　4.3
　　0rdered logit回归结果
　　回归结果显示，模型的检验统计量X24=12.13，p=0.016，ordered logit回归模型有效。r1、r2、r3、r4的估计值分别是3.03、4.54、5.82和7.21。四个回归系数的结果如下：CLUBuA=0.098*MOCIi-0.089ICCIi+0.5380TOWi， +0.099TOCIi
　　（1.70）               （-1.23）               （1.13）               （0.55） 　　回归系数对应下面的括号内数值是对应的Z检验统计量。建筑业市场化程度这个因素的回归系数大于0，并且在10%的水平上显著，说明建筑业市场化程度越高的省份，归属于“平均DCP高的俱乐部”的概率越大，归属于“平均DCP低的俱乐部”的概率越小;建筑业产业集中度的回归系数小于0，说明建筑业产业集中度越高的省份，归属于“平均DCP高的俱乐部”的概率越小，归属于“平均DCP低的俱乐部”的概率越大;建筑业开放度和科技水平两个因素对应的回归系数均大于0，说明建筑业开放度越大、科技水平越高的省份，归属于“平均DCP高的俱乐部”的概率越大，归属于“平均DCP低的俱乐部”的概率越小。但产业集中度、对外开放度和科技水平三个因素对应的回归系数在统计意义上都不显著，这可能是因为样本过小导致的。
　　需要指出的是，由于定序回归使用的是最大似然法估计回归系数，上述回归系数的大小不具有边际效应的含义，只能根据其符号分析解释变量对被解释变量的影响方向。进一步探究各影响因素对各俱乐部概率的边际效应结果如表4所示。
　　表4显示，某省的期初“建筑业市场化程度”在各省的平均水平上每提高1个百分点，该省归属于俱乐部A的概率降低0.013 1;某省的期初“建筑业产业集中度”在各省的平均水平基础上每增加1个百分点，该省归属于俱乐部A的概率增加0.011 8。其他边际效应值可以类似解读，但需要注意的是，实证结果显示只有“建筑业市场化程度”和“建筑业产业集中度”对归属“俱乐部A”的概率的边际效应分别在5%和15%的水平上显著，其他边际效应均不显著，其结果只能参考。
　　5 结论、启示与不足
　　本文提出一个三阶段方法架构对2005-2016年的中国省际DCP及其收敛俱乐部和俱乐部形成原因进行了研究。其中，第一阶段在基于DEA求解的方向距离函数和Malmquist指数方法的基础上测算了考虑初始差异的DCP;第二阶段用Phillips和Sul开发的基于非线性时变因子模型的收敛俱乐部识别方法，對第一阶段测算出的DCP进行俱乐部识别;第三阶段在梳理相关文献的基础上，用ordered logit回归方法探寻可能影响收敛俱乐部形成的初始因素。得以下主要结论。
　　（1）中国建筑业全要素碳生产率总体呈上升趋势，省际差距呈扩大趋势。各省DCP的平均值从2005年的0. 879升高到2016年的1.388，全国各省的DCP标准差从2005年的0. 156扩大到2016年的0.518，2010年以后的标准差急剧扩大。
　　（2）存在5个收敛的俱乐部，有13个省不收敛于任何俱乐部。湖北、青海、福建、山西、陕西和甘肃收敛于俱乐部A;黑龙江、湖南、河北和浙江收敛于俱乐部B;吉林、山东和安徽收敛于俱乐部C;江苏和新疆收敛于俱乐部D;上海和重庆收敛于俱乐部E。宁夏、内蒙古、辽宁、北京、广西、广东、天津、四川、海南、江西、贵州、河南、云南13个省不收敛于任何俱乐部;2010年后这13个省的DCP的差距急剧扩大，云南、河南和贵州的DCP相对于30个省的平均水平大幅降低。
　　（3）样本期初“建筑业市场化程度”高的省份，归属于“平均DCP高的俱乐部”的概率大;样本期初“建筑业产业集中度”越低、“建筑业开放度”和“建筑业科技水平”越高的省份，归属于“平均DCP高的俱乐部”的概率越大，但这三个指标的统计意义不显著。
　　基于以上结论，得到以下管理启示：①制定和实施提升中国建筑业全要素碳生产率的相关政策举措时需要考虑各省的情况，不能全国执行一个统一的政策，也不能简单按地理区划执行同一个政策，而应该充分考虑各省的异质性。这是因为DCP收敛俱乐部非常分散，全国30个省有18个稳态水平，其中有13个省与其他任何一个省都不趋于一致，在收敛的5个俱乐部中，俱乐部成员数也偏少，这些都是因为各省的异质性程度高导致的。②促进“高DCP省份”的低碳建造技术向“低DCP省份”的有效扩散，减小“低DCP省份”与“高DCP省份”的差距，尤其是云南、河南和贵州等DCP明显比平均水平下降的省份，需要得到特别关注。③进一步推进国有建筑业企业的市场化改革，提高建筑业市场化水平，支持建筑业专业承包企业的发展，适当降低建筑业的产业集中度。使“DCP低的俱乐部”成员省份向“DCP高的俱乐部”转移。
　　本文存在的主要不足是形成收敛俱乐部的初始因素及对应的边际效应多数不显著。这一不足表明，中国的DCP收敛俱乐部的形成原因很复杂，系统全面的影响因素识别研究可以作为未来进一步研究的方向。为了确保三阶段方法框架的完整性，本文仍然全面报告不显著的回归系数和边际效应的统计结果，为研究其他国家、地区或其他行业时参考。
转载注明来源:https://www.xzbu.com/7/view-14847446.htm